기억이 더 중요하다: 에이전트 탐색 및 추론을 위한 논리 지도로서의 사건 중심 기억

Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning

대규모 언어 모델(LLM)은 환경과 상호작용하고 추론 및 계획을 수행하는 지능형 에이전트로 점점 더 많이 활용되고 있다. 장기적인(long-horizon) 시나리오로 효과적으로 확장하기 위해 이러한 에이전트에게 필요한 핵심 역량은 과거의 경험을 보존, 조직 및 검색하여 후속 의사결정을 지원할 수 있는 기억 메커니즘이다. 그러나 대부분의 기존 접근 방식은 기억을 평면적인(flat) 방식으로 조직 및 저장하며 단순한 유사도 기반 검색 기술에 의존한다. 구조화된 기억이 도입된 경우에도, 기존 방법들은 경험이나 기억 단위 간의 논리적 관계를 명시적으로 포착하는 데 어려움을 겪는 경우가 많다. 게다가 기억 접근 방식은 구축된 구조와 대체로 분리되어 있으며 여전히 얕은 수준의 의미론적 검색에 의존하고 있어, 에이전트가 장기적인 의존성에 대해 논리적으로 추론하는 것을 저해한다. 본 연구에서는 사건 분할 이론(Event Segmentation Theory)에서 영감을 받은 사건 중심 기억 프레임워크인 CompassMem을 제안한다. CompassMem은 경험을 사건 단위로 점진적으로 분할하고 이를 명시적인 논리적 관계를 통해 연결함으로써 기억을 사건 그래프(Event Graph)로 조직한다. 이 그래프는 논리 지도의 역할을 하여, 에이전트가 표면적인 검색을 넘어 기억에 대해 구조적이고 목표 지향적인 탐색을 수행할 수 있게 하며, 장기 추론을 지원하기 위해 유용한 기억들을 점진적으로 수집할 수 있도록 한다. LoCoMo와 NarrativeQA에 대한 실험 결과, CompassMem은 여러 백본 모델에 걸쳐 검색 및 추론 성능을 일관되게 향상시키는 것으로 입증되었다.

Large language models (LLMs) are increasingly deployed as intelligent agents that reason, plan, and interact with their environments. To effectively scale to long-horizon scenarios, a key capability for such agents is a memory mechanism that can retain, organize, and retrieve past experiences to support downstream decision-making. However, most existing approaches organize and store memories in a flat manner and rely on simple similarity-based retrieval techniques. Even when structured memory is introduced, existing methods often struggle to explicitly capture the logical relationships among experiences or memory units. Moreover, memory access is largely detached from the constructed structure and still depends on shallow semantic retrieval, preventing agents from reasoning logically over long-horizon dependencies. In this work, we propose CompassMem, an event-centric memory framework inspired by Event Segmentation Theory. CompassMem organizes memory as an Event Graph by incrementally segmenting experiences into events and linking them through explicit logical relations. This graph serves as a logic map, enabling agents to perform structured and goal-directed navigation over memory beyond superficial retrieval, progressively gathering valuable memories to support long-horizon reasoning. Experiments on LoCoMo and NarrativeQA demonstrate that CompassMem consistently improves both retrieval and reasoning performance across multiple backbone models.